สรุปสาระสำคัญ
ไม่มีตัวเลขความแม่นยำตัวเดียวที่ใช้ได้กับทุกกรณี ตัวเลขที่คุณเคยอ่านเจอคือผลของระบบหนึ่งที่วัดกับไฟล์เสียงหนึ่งเท่านั้น เสียงพูดคนเดียวในห้องเงียบกับวงคุยหลายคนในที่เสียงดังให้ผลห่างกันมากจนไม่มีเปอร์เซ็นต์ไหนครอบคลุมได้ทั้งคู่ สิ่งที่บอกล่วงหน้าได้ว่าคุณจะได้ผลแบบไหนคือตัวไฟล์เสียงเอง ทั้งระยะห่างจากไมค์ เสียงรบกวน การพูดทับกัน และสำเนียง ที่สำคัญคือความผิดพลาดมักกระจุกเป็นจุด ๆ ข้อความส่วนใหญ่อ่านได้ลื่นไหล แต่ชื่อคน ศัพท์เฉพาะ ตัวเลข และช่วงที่พูดแย่งกันจะเพี้ยน ถ้าใช้แค่หาว่าเรื่องนั้นอยู่นาทีไหนก็ไม่มีปัญหา แต่ถ้าจะยกไปอ้างอิง ต้องฟังเทียบกับเสียงทีละบรรทัด
คุณคงเคยเห็นตัวเลขเปอร์เซ็นต์แปะอยู่กับเครื่องมือถอดเสียงสักเจ้าหนึ่ง ตัวเลขนั้นเป็นผลวัดของอะไรบางอย่างจริง ๆ เพียงแต่มันไม่ได้วัดสิ่งที่จะเกิดขึ้นตอนคุณป้อนไฟล์ของคุณเข้าไป และการยึดตัวเลขนั้นเป็นคำสัญญาคือสาเหตุที่หลายคนต้องมาผิดหวังในจังหวะที่แย่ที่สุด
คำถามที่ใช้ได้จริงไม่ใช่ว่าการถอดเสียงอัตโนมัติแม่นแค่ไหนโดยรวม แต่คือข้อความที่ได้กลับมานั้นดีพอสำหรับสิ่งที่คุณตั้งใจจะเอาไปทำหรือเปล่า สองคำถามนี้ต่างกันและมีคำตอบคนละแบบ เพราะไฟล์เดียวกันอาจใช้หาจังหวะในคลิปได้ดีเยี่ยม แต่ใช้ยกคำพูดมาอ้างอิงไม่ได้เลย
ตัวเลขความแม่นยำวัดไฟล์เสียงหนึ่งไฟล์ ไม่ได้วัดตัวระบบ
คำกล่าวอ้างเรื่องความแม่นยำทุกอันคือผลของการเอาระบบหนึ่งไปรันกับเสียงชุดหนึ่ง เปลี่ยนเสียง ตัวเลขก็เปลี่ยนตาม นี่ไม่ใช่ข้อบกพร่องของการวัด แต่คือธรรมชาติของการวัดนั้นเอง
ลองนึกถึงปลายสองด้าน ด้านหนึ่งคือคนพูดคนเดียว อยู่ใกล้ไมค์ ในห้องเงียบ ใช้สำเนียงที่พบทั่วไป และพูดเรื่องธรรมดา แบบนี้ถอดออกมาได้ดีมาก อีกด้านหนึ่งคือสี่คนนั่งล้อมโต๊ะในห้องที่แอร์ทำงานเสียงดัง พูดแย่งกัน ใช้คำย่อเฉพาะวงการตัวเอง และสองคนนั่งห่างจากโทรศัพท์ราวหนึ่งเมตรครึ่ง แบบนี้ผลออกมาแย่กว่ากันมาก ทั้งสองกรณีเป็นการวัดระบบเดียวกันอย่างซื่อตรงทั้งคู่ ตัวเลขเดียวอธิบายทั้งสองอย่างไม่ได้ และช่องว่างระหว่างสองกรณีก็กว้างเกินกว่าจะเอามาเฉลี่ยให้มีความหมาย
ดังนั้นเวลาเห็นตัวเลขที่ไม่บอกว่าวัดจากเสียงแบบไหน ข้อมูลสำคัญคือส่วนที่หายไปนั่นแหละ สิ่งเดียวที่คุณรู้จริง ๆ คือมีคนไปทดสอบอะไรสักอย่างมา เกณฑ์ที่มีความหมายกับคุณคือไฟล์ของคุณเอง ลองหยิบเสียงสักไม่กี่นาทีที่คล้ายกับงานที่คุณเจอประจำ ส่งเข้าไปถอด แล้วอ่านผลลัพธ์ไปพร้อมกับฟังเสียง วิธีนี้บอกอะไรได้มากกว่าคำโฆษณาใด ๆ และใช้เวลาน้อยกว่าการนั่งอ่านบทความเปรียบเทียบเสียอีก
ไฟล์เสียงมีผลต่อผลลัพธ์มากกว่าตัวซอฟต์แวร์
คนส่วนใหญ่เลือกเครื่องมือด้วยการเทียบความแม่นยำกันไปมา ซึ่งเป็นการจับปัญหาผิดด้านสำหรับงานส่วนใหญ่ เพราะสภาพตอนอัดเสียงมีผลต่อผลลัพธ์มากกว่าการเลือกเอนจิน
- ระยะห่างจากไมโครโฟน ยิ่งห่างก็ยิ่งได้เสียงห้องมากขึ้นและได้เสียงคนน้อยลง โทรศัพท์วางกลางโต๊ะระหว่างคนสองคนให้ไฟล์คนละเรื่องกับโทรศัพท์ที่วางตรงหน้าคนพูด
- เสียงรบกวนรอบข้าง เสียงรถ เสียงร้านกาแฟ พัดลม เสียงพิมพ์คีย์บอร์ด เสียงพวกนี้ไม่ได้อยู่เฉย ๆ เป็นฉากหลัง แต่แย่งพื้นที่กับเสียงพูด และคำที่แพ้คือคำเบา ๆ ท้ายประโยค
- การพูดทับกัน เมื่อสองคนพูดพร้อมกัน ก็ไม่มีสัญญาณที่สะอาดพอให้ถอด ระบบจะเขียนอะไรสักอย่างลงไป และมักเป็นคำที่ปนกันระหว่างสองเสียง
- ความครอบคลุมของสำเนียง บางสำเนียงมีอยู่ในข้อมูลที่ระบบเรียนรู้มาเยอะกว่าสำเนียงอื่นมาก สำเนียงที่ไม่ค่อยมีในข้อมูลจึงได้ผลแย่กว่า ทั้งที่คุณภาพเสียงดีเท่ากัน
เครื่องมือแต่ละตัวต่างกันจริง และถ้างานของคุณเป็นเสียงยากแบบเดิม ๆ ซ้ำ ๆ การลองสักสองสามตัวก็คุ้มกับเวลาครึ่งวัน แต่ช่องว่างระหว่างเครื่องมือที่ใช้ได้สองตัวบนเสียงชุดเดียวกัน มักแคบกว่าช่องว่างระหว่างเสียงดีกับเสียงแย่บนเครื่องมือตัวเดียวกัน ขยับไมค์เข้าใกล้ขึ้นได้ผลมากกว่าเปลี่ยนโปรแกรม ถ้าอยากเข้าใจว่าซอฟต์แวร์ทำอะไรกับสิ่งที่คุณป้อนเข้าไป ภาพรวมของหลักการทำงานของการถอดเสียงด้วย AIจะอธิบายว่าทำไมเงื่อนไขเหล่านี้ถึงสำคัญ
ความผิดพลาดไม่ได้กระจายทั่วทั้งไฟล์
ตรงนี้คือจุดที่คนพลาดกันบ่อย และสำคัญกว่าตัวเลขพาดหัวเสียอีก ความผิดพลาดมักเกาะกลุ่มกัน เนื้อความส่วนใหญ่ออกมาสะอาด ส่วนที่พังจะไปกระจุกอยู่ในไม่กี่จุดที่เดาได้ล่วงหน้า ได้แก่ ชื่อเฉพาะ ศัพท์เทคนิค ตัวเลข และทุกช่วงที่คนพูดทับกัน
ลองคิดว่านั่นหมายถึงอะไรตอนอ่าน บทสนทนาธรรมดาหนึ่งหน้าถอดออกมาดีและอ่านลื่น แล้วพอถึงนามสกุลคนหนึ่ง หรือชื่อสินค้า หรือตัวเลขหนึ่ง มันก็ผิด และไม่มีอะไรบนหน้ากระดาษบอกความต่างเลย คำที่ผิดนั่งอยู่ในฟอนต์เดียวกับคำที่ถูก ล้อมรอบด้วยประโยคที่ถูกต้อง ซึ่งเป็นบริบทที่ทำให้ข้อผิดพลาดดูน่าเชื่ออย่างยิ่ง ข้อความที่อ่านแล้วสวยงามอาจผิดพอดีตรงจุดที่คุณตั้งใจจะเอาไปใช้
ที่คำกลุ่มนี้พังพร้อมกันก็มีเหตุผล คำทั่วไปถูกบีบด้วยคำรอบข้าง ระบบที่ฟังผิดจึงกู้กลับมาได้จากบริบท แต่ชื่อคนไม่ถูกบีบแบบนั้น เสียงเกือบทุกแบบเป็นชื่อใครสักคนได้ และไวยากรณ์ก็ไม่มีอะไรมาช่วยตัดตัวเลือกที่ผิดออก ศัพท์เฉพาะทางเจอปัญหาเดียวกัน แถมยังหนักกว่าตรงที่คำสามัญมักออกเสียงใกล้พอจะถูกหยิบมาใส่แทนศัพท์เทคนิคได้ ตัวเลขคือกรณีที่คมที่สุด เพราะเสียงต่างกันนิดเดียวแต่ค่าที่ได้เปลี่ยนไปคนละเรื่อง และประโยคก็ยังอ่านรู้เรื่องอยู่ดีไม่ว่าจะเป็นค่าไหน
เครื่องหมายวรรคตอนคือการเดาว่าประโยคจบตรงไหน
การใส่เครื่องหมายวรรคตอนอัตโนมัติไม่ใช่การถอดเสียง แต่เป็นการอนุมานจากจังหวะหยุด น้ำเสียงและจังหวะการพูดว่าความคิดหนึ่งจบตรงไหนและอีกความคิดเริ่มตรงไหน ส่วนใหญ่ก็เดาถูก หรือถูกพอจนไม่มีใครสังเกต
แต่เวลาที่เดาผิด ความหมายจะเคลื่อน จุดจบประโยคที่ตกลงกลางอนุประโยคอาจตัดข้อแม้ออกจากสิ่งที่มันขยาย คำพูดที่พูดแบบสงวนท่าทีจึงกลายเป็นคำยืนยันเด็ดขาด และเงื่อนไขกลายเป็นข้อสรุป ทุกคำอาจถูกต้องหมดแต่ประโยคกลับสื่อสิ่งที่ผู้พูดไม่ได้พูด ความผิดแบบนี้มองไม่เห็นบนหน้ากระดาษ เพราะไม่มีอะไรให้สังเกต คุณตรวจมันด้วยการอ่านข้อความอย่างเดียวไม่ได้ มีแต่เสียงเท่านั้นที่ตัดสินได้
ป้ายระบุผู้พูดก็มีจุดอ่อนคล้ายกัน มันมักถูกตลอดช่วงที่คนหนึ่งพูดยาว ๆ และเชื่อถือได้น้อยที่สุดตรงรอยต่อของการสลับคนพูด ซึ่งเป็นจุดที่คำแทรกสั้น ๆ มักถูกยกไปให้ผิดคน ถ้าคุณกำลังจะยกคำพูดที่อยู่ใกล้จุดเปลี่ยนผู้พูด บรรทัดนั้นควรฟังซ้ำ
ตั้งมาตรฐานจากงานที่จะเอาข้อความไปใช้
คำถามไม่ใช่ว่าข้อความถอดเสียงแม่นหรือไม่ แต่คือแม่นพอสำหรับงานนั้นหรือเปล่า และงานแต่ละแบบก็ต่างกันมากกว่าที่คนคิด
ถ้าคุณใช้ข้อความเพื่อค้นหาบางอย่าง ความผิดที่กระจัดกระจายไม่มีผลอะไร คุณค้นคำ ไปโผล่ใกล้นาทีที่ต้องการ แล้วกดฟังเสียง ข้อความก็ทำงานของมันสำเร็จแล้ว ต่อให้ชื่อคนเพี้ยนอยู่สามบรรทัดก่อนหน้า เช่นเดียวกับการกวาดตาอ่านบันทึกหนึ่งชั่วโมงเพื่อดูว่ายี่สิบนาทีไหนน่าสนใจ หรือการแปลงไฟล์เสียงที่บันทึกไว้ให้เป็นข้อความเพื่อจะได้อ่านเร็วกว่านั่งฟัง
แต่ถ้าข้อความนั้นจะถูกยกไปอ้าง เผยแพร่ เก็บเข้าแฟ้ม หรือมีคนที่ไม่ได้อยู่ในห้องนั้นเอาไปใช้ตัดสินใจ มาตรฐานจะต่างออกไปและต่อรองไม่ได้ ทุกบรรทัดที่คุณตั้งใจจะใช้ต้องถูกฟังเทียบกับเสียงทีละบรรทัด ไม่ใช่การอ่านรวดเดียวทั้งเอกสาร แต่คือการเจาะฟังเฉพาะช่วงที่จะยกมา เพราะรูปแบบความผิดพลาดที่ว่ามาข้างต้นคือแบบที่การอ่านจับไม่ได้ ยิ่งเป็นประโยคที่มีตัวเลขหรือชื่อเป็นสาระสำคัญ ยิ่งต้องทำ
สำหรับเอกสารที่ใช้ทำงานประจำวัน แอปคือทางที่สมเหตุสมผล SozAI ซึ่งมีให้ใช้บน iOS, Android และ macOS เปลี่ยนเสียงที่อัดไว้ ไฟล์เสียง ไฟล์วิดีโอ และลิงก์ YouTube ให้เป็นข้อความ พร้อมป้ายระบุผู้พูด บทสรุป และการแปลกว่า 99 ภาษา และคุณก็ยังต้องฟังเทียบกับเสียงก่อนยกคำพูดอยู่ดี เหมือนกับผลลัพธ์อัตโนมัติทุกชนิด
เมื่อไหร่ที่ตัวข้อความคือชิ้นงานที่ต้องส่งมอบเอง บริการถอดเทปโดยคนคือคำตอบที่เหมาะสม ราคาสูงกว่าเพราะมีคนนั่งฟังจริง ๆ และนั่นคือสิ่งที่คุณจ่ายเงินซื้อ คนที่ได้ยินชื่อแล้วสะกดถูก คนที่รู้ว่าประโยคจบตรงไหน คนที่ทำเครื่องหมายไว้ว่าช่วงนี้ฟังไม่ออกจริง ๆ แทนที่จะเดาส่งไป ถ้าเอกสารจะไปถึงลูกค้า ศาล หอจดหมายเหตุ หรือสื่อสิ่งพิมพ์ ค่าใช้จ่ายส่วนเกินนั้นซื้อของที่มีค่าจริง แต่ถ้าข้อความเป็นแค่เครื่องมือส่วนตัวที่ช่วยให้คุณเข้าถึงเสียงได้เร็วขึ้น มันก็คือการจ่ายเงินซื้อสิ่งที่คุณไม่ต้องการ
อัดใหม่อีกรอบคุ้มกว่านั่งแก้ข้อความหนึ่งชั่วโมง
การปรับปรุงการอัดเสียงถูกกว่าการปรับปรุงผลลัพธ์แทบทุกครั้ง สิบนาทีที่ใช้ขยับไมค์ ปิดหน้าต่าง ปิดพัดลม และขอให้ทุกคนพูดทีละคน ช่วยประหยัดงานได้มากกว่าการนั่งแก้ข้อความหนึ่งชั่วโมง แถมยังได้ผลดีกว่าด้วย เพราะข้อความที่แก้แล้วจะดีได้แค่เท่าที่ความอดทนของคุณเหลืออยู่ตอนแก้ถึงบรรทัดสุดท้าย
เรื่องนี้ลงมือทำได้ง่ายที่สุดกับงานที่เกิดซ้ำ ถ้าคุณอัดบทสนทนาแบบเดิมเป็นประจำ การใส่ใจตั้งค่าอุปกรณ์รอบเดียวจะทำให้ทุกไฟล์หลังจากนั้นดีขึ้นทั้งหมด และมันสำคัญที่สุดกับงานสัมภาษณ์ ซึ่งเนื้อหามักย้อนกลับไปเก็บใหม่ไม่ได้และคำพูดคือหัวใจของงาน ข้อควรรู้เชิงปฏิบัติเรื่องการถอดเทปบทสัมภาษณ์ส่วนใหญ่จึงเป็นเรื่องของการอัดเสียงนั่นเอง
บางครั้งก็ไม่มีโอกาสครั้งที่สอง บทสนทนาเกิดขึ้นรอบเดียว โทรศัพท์อยู่ในกระเป๋า และนั่นคือเสียงเท่าที่คุณมี ถึงตอนนั้นสิ่งที่ควรทำคือเลิกหวังให้ซอฟต์แวร์มากอบกู้ แล้วกันเวลาไว้สำหรับแก้ไข หรือส่งให้คนถอดแทน เสียงที่ยากไม่ได้กลายเป็นเสียงที่ง่ายเพียงเพราะคุณจำเป็นต้องใช้มัน
เปิดไฟล์แล้วควรคาดหวังอะไร
คาดหวังข้อความที่ลื่นไหลอ่านง่าย โดยมีคำนามผิดปนอยู่ไม่กี่คำ คาดหวังว่าช่วงที่คนพูดทับกันจะบางเบา เละ หรือหายไปเงียบ ๆ คาดหวังการวางเครื่องหมายวรรคตอนแบบที่คุณคงไม่ได้วางเอง และป้ายระบุผู้พูดที่ถูกโดยรวมแต่เชื่อไม่ได้ตรงจุดสลับคน และคาดหวังว่าจะไม่มีการทำเครื่องหมาย ไม่มีไฮไลต์ ไม่มีสัญญาณบอกความไม่แน่ใจใด ๆ เอกสารจะดูมั่นใจเท่ากันตลอดทั้งฉบับ แต่จะไม่ได้ถูกต้องเท่ากันตลอดทั้งฉบับ
คาดหวังว่าชื่อคนและศัพท์เฉพาะทางต้องได้รับการตรวจอีกรอบเสมอ ไม่ว่าเสียงจะสะอาดแค่ไหน เพราะสองอย่างนี้พลาดได้แม้ในเสียงคุณภาพดี เพียงแต่พลาดน้อยลงเท่านั้น
และอย่าลบไฟล์เสียงทิ้ง ข้อความที่ถอดโดยอัตโนมัติตรวจสอบตัวเองไม่ได้ และการตรวจที่มีความหมายล้วนต้องอาศัยการฟัง ข้อความที่มีไฟล์เสียงรองรับอยู่คือเครื่องมือทำงานที่เชื่อถือได้ ส่วนข้อความที่ลบไฟล์เสียงไปแล้วคือเอกสารที่ไม่มีใครตรวจสอบได้ รวมถึงตัวคุณเอง
